論文の概要: Synthetic Lagrangian Turbulence by Generative Diffusion Models

• arxiv url: http://arxiv.org/abs/2307.08529v2
• Date: Sun, 28 Apr 2024 06:44:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 01:14:26.085809
• Title: Synthetic Lagrangian Turbulence by Generative Diffusion Models
• Title（参考訳）: 生成拡散モデルによる合成ラグランジアン乱流
• Authors: Tianyi Li, Luca Biferale, Fabio Bonaccorso, Martino Andrea Scarpolini, Michele Buzzicotti,
• Abstract要約: 高レイノルズ数での3次元乱流における単一粒子軌道生成のための機械学習手法を提案する。 我々のモデルは、時間スケールでほとんどの統計ベンチマークを再現する能力を示している。 驚くべきことに、このモデルは極端な事象に対して強い一般化可能性を示し、依然として現実的な統計に合致する高い強度と希薄な事象を生み出している。
• 参考スコア（独自算出の注目度）: 1.7810134788247751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lagrangian turbulence lies at the core of numerous applied and fundamental problems related to the physics of dispersion and mixing in engineering, bio-fluids, atmosphere, oceans, and astrophysics. Despite exceptional theoretical, numerical, and experimental efforts conducted over the past thirty years, no existing models are capable of faithfully reproducing statistical and topological properties exhibited by particle trajectories in turbulence. We propose a machine learning approach, based on a state-of-the-art diffusion model, to generate single-particle trajectories in three-dimensional turbulence at high Reynolds numbers, thereby bypassing the need for direct numerical simulations or experiments to obtain reliable Lagrangian data. Our model demonstrates the ability to reproduce most statistical benchmarks across time scales, including the fat-tail distribution for velocity increments, the anomalous power law, and the increased intermittency around the dissipative scale. Slight deviations are observed below the dissipative scale, particularly in the acceleration and flatness statistics. Surprisingly, the model exhibits strong generalizability for extreme events, producing events of higher intensity and rarity that still match the realistic statistics. This paves the way for producing synthetic high-quality datasets for pre-training various downstream applications of Lagrangian turbulence.
• Abstract（参考訳）: ラグランジアン乱流は、工学、生物流体、大気、海洋、天体物理学における分散と混合の物理学に関する多くの応用および基礎的な問題の核にある。 過去30年間に行われた例外的な理論的、数値的、実験的試みにもかかわらず、既存のモデルでは乱流中の粒子軌道によって示される統計的および位相的特性を忠実に再現することができない。 本研究では,最先端拡散モデルに基づく機械学習手法を提案し,レイノルズ数で3次元乱流の単一粒子軌道を生成することにより,直接数値シミュレーションや実験を回避し,信頼性の高いラグランジアンデータを得る。 本モデルでは, 速度インクリメントのファットテール分布, 異常電力法則, 散逸スケール周辺における断続性の増加など, 時間スケールで統計学的ベンチマークを再現できることを実証する。 光の偏差は散逸スケール以下、特に加速度と平坦度統計において観測される。 驚くべきことに、このモデルは極端な事象に対して強い一般化可能性を示し、依然として現実的な統計に合致する高い強度と希薄な事象を生み出している。 これは、ラグランジアン乱流の様々な下流の応用を事前訓練するための、合成された高品質なデータセットを作成する方法である。

関連論文リスト

• Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
  最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。 本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
  論文  参考訳（メタデータ） (2024-06-23T20:34:18Z)
• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
  本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。 提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。 数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
  論文  参考訳（メタデータ） (2023-11-14T04:08:14Z)
• A multiscale and multicriteria Generative Adversarial Network to synthesize 1-dimensional turbulent fields [0.0]
  本稿では,乱流速度統計量を持つ1次元場を生成するニューラルネットワークモデルを提案する。 モデル構造と訓練手順は、完全に発達した乱流のコルモゴロフとオブホフ統計理論に基づいている。 模型の訓練にはモード風洞の格子乱流からの乱流速度信号を用いる。
  論文  参考訳（メタデータ） (2023-07-31T11:34:41Z)
• A Geometric Perspective on Diffusion Models [60.69328526215776]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• Particle clustering in turbulence: Prediction of spatial and statistical properties with deep learning [6.91821181311687]
  等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。 我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。 以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T15:46:28Z)
• A Numerical Proof of Shell Model Turbulence Closure [41.94295877935867]
  本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。 本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
  論文  参考訳（メタデータ） (2022-02-18T16:31:57Z)
• Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
  乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。 等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2020-05-18T18:45:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。